2.1 Introducción al Lenguaje XML

Transcripción

1 2.1 Introducción al Lenguaje XML

2 Introducción En este aparatado nos centraremos en Introducir el lenguaje XML Estudiar la estructura básica de un documento XML Citar algunos tipos de esquemas que permiten especificar la sintaxis y validar documentos XML

3 Qué es XML? XML (extensible Markup Language) Lenguaje de tags (similar en sintaxis a HTML) Estandarizado por el W3C ( Es extensible XML no impone un conjunto de tags, sino sólo unas pocas normas sobre cómo usarlos Los tags se abren (<tag>) y se cierran (</tag>) y en medio pueden tener otros tags anidados Todos los documentos tienen un tag raíz Los tags pueden tener atributos Etc. Permite expresar información estructurada y fácilmente parseable Objetivo de este tema Entender los fundamentos básicos del lenguaje XML

4 Un Ejemplo (1) Un portal de contenidos generales decide ofrecer como parte de sus contenidos información sobre las películas (título, director(-es), actores, resumen, etc.) que se estrenan cada semana Necesita tener esa información en su BD local Navegador... Internet Portal BD Navegador Problema Quién introduce esa información en la BD?

5 Un Ejemplo (2) Opción 1 La empresa del portal asigna la tarea de recopilación de información sobre estrenos a un empleado Problema Opción 2 La empresa del portal posiblemente no tenga a un empleado que pueda hacer tal labor (crítico cinematográfico) La empresa del portal contrata la recopilación de información sobre estrenos a otra empresa Un empleado de la empresa del portal introduce la información en BD una vez a la semana mediante una aplicación de administración Opción viable, aunque sería deseable que la introducción de información en la BD pudiese estar completamente automatizada

6 Un Ejemplo (3) Opción 3 La empresa de contenidos nos pasa la información utilizando XML como formato de representación de datos Permite desacoplar nuestro software del formato en el que la empresa de contenidos tenga la información Es posible construir una aplicación que analice el XML e inserte los datos automáticamente en la BD El intercambio de información Podría ser un tanto primitivo: La empresa de contenidos nos envía un correo electrónico con un fichero XML Podría estar automatizado: Aplicación cliente en nuestra empresa que solicita información sobre los estrenos de la próxima semana a un servidor en la empresa de contenidos

7 Un Ejemplo (y 4) Información estructurada sobre estrenos de películas Las siguientes transparencias ilustran el uso de XML para expresar la información sobre estrenos de películas Ese texto XML es el que nos proporcionaría la empresa especializada en cine y que parsearía la aplicación cliente del portal para introducir en su BD En este ejemplo, se asume que el formato del texto XML lo ha elegido el sitio Web especializado en cine (que sería lo normal)

8 Movies.xml (1) <?xml version="1.0" encoding="iso "?> <movies> <!-- La Maldición del Escorpión de Jade. --> <movie title="la Maldición del Escorpión de Jade" runtime="103" releaseday="19" releasemonth="10" releaseyear="2001"> <director name="woody Allen"/> <actor name="woody Allen"/> <actor name="helen Hunt"/> <actor name="dan Aykroyd"/> <actor name="elizabeth Berkley"/> <actor name="charlize Theron"/> <genre name="com"/>

9 Movies.xml (2) <synopsis>woody Allen encarna a CW Briggs, el rey de los investigadores de seguros de Nueva York en o cuanto menos eso es lo que no cesa de decirle a la nueva experta en eficiencia de la empresa, Betty Ann Fitzgerald (Helen Hunt)--. Briggs hace alarde de ser capaz de arruinar cualquier treta de seguros penetrando en la mente del malhechor, pero ahora, debido a los poderes hipnóticos del "Escorpión de Jade", es la mente de un malhechor la que penetra en Briggs.</synopsis> </movie>

10 Movies.xml (y 3) <!-- Amelie. --> <movie title="amelie" runtime="120" releaseday="19" releasemonth="10" releaseyear="2001"> <director name="jean-pierre Jeunet"/> <actor name="audrey Tautou"/> <actor name="mathieu Kassovitz"/> <actor name="rufus"/> <actor name="yolande Moreau"/> <actor name="artus de Penguern"/> <actor name="dominique Pinon"/> <genre name="com"/> <genre name="rom"/> <synopsis>amelie no es una chica como las demás. Ha visto a su pez de colores deslizarse hacia las alcantarillas... </synopsis> </movie> </movies>

11 Formato de un Documento XML Documento XML Secuencia de caracteres (fichero, secuencia de caracteres que se envía por un socket, etc.) que tiene texto en formato XML Aplicación XML Conjunto particular de tags que permiten representar determinada información (e.g. la información sobre películas) Se dice que un documento XML está bien formado ( wellformed ) si cumple con el conjunto de reglas que a continuación se expone Estas reglas permiten construir parsers eficientes Se distingue entre mayúsculas y minúsculas Comentarios Empiezan con <!-- y terminan con --> Pueden englobar varias líneas Dentro de un comentario no puede aparecer la secuencia -- Comentarios tipo <!---- Comentario ----> no son válidos

12 Declaración XML Declaración XML (1) <?xml version="1.0" encoding="utf-8"?> No es obligatoria (aunque sí aconsejable), pero si aparece tiene que aparecer justo al principio del documento version Indica la versión de la especificación XML (y no la versión del documento) a la que es conforme el documento encoding Indica la codificación de los caracteres del documento A continuación se comentan algunos sistemas de codificación típicos US-ASCII Codificación de 7 bits (ASCII estándar) Sistema de codificación no apto para información en idiomas que precisen más caracteres (vocales acentuadas, ñ, caracteres asiáticos, arábigos, etc.)

13 Declaración XML (2) Codificaciones ISO-XXXX-1 Codificación con soporte para caracteres de los países de Europa del Oeste Codificación de un byte => US-ASCII => Caracteres de control => Letras acentuadas y caracteres adicionales para idiomas europeos ISO Alfabeto latino número 1 Soporta vocales acentuadas, diéresis, ñ, etc.

14 UTF-8 Declaración XML (3) Es la que se asume por defecto si no se especifica encoding Soporta Unicode Codificación de longitud variable El rango de caracteres del US-ASCII se representa con un byte => un documento US-ASCII es un documento UTF-8 Los caracteres se representan con dos bytes El resto de caracteres se representan con tres o cuatro bytes Buena elección para información en idiomas no asiáticos UTF-16 Soporta Unicode Codificación de longitud variable Dos bytes para la mayor parte de los caracteres Cuatro bytes para ciertos caracteres Buena elección para información en idiomas asiáticos

15 Declaración XML (4) Cuando se utiliza XML para intercambio de información entre un cliente y un servidor, lo más normal es usar codificación UTF-8 Soporta Unicode El orden de los bytes en UTF-16 depende de si la máquina es little-endian o big-endian Si se transfiere información en XML con UTF-16 entre un cliente y un servidor, podría ser necesario convertir de un formato a otro Cuando se genera un documento XML hay que asegurarse de que la codificación empleada es consistente con la declarada en encoding Ejemplo-1: cuando se utiliza un editor de texto hay que guardar el documento en la misma codificación que la declarada en encoding Ejemplo-2: cuando se envía información XML por un socket hay que asegurarse que ésta se codifica según lo especificado en encoding

16 Elementos y Atributos (1) Todo documento debe tener un elemento raíz movies en el ejemplo Entre el tag de inicio (<tag>) de un elemento y el de fin (</tag>) puede haber otros elementos o texto NOTA: Por comodidad, utilizaremos las palabras tag y elemento de forma intercambiable No se puede puede mezclar el orden de los tags anidados El primer elemento que se abre debe ser el último que se cierra El siguiente ejemplo no estaría bien formado <tag-1> <tag-2> </tag-1> </tag-2> Un elemento puede tener atributos El valor del atributo tiene que ir entrecomillado con comillas dobles (") o simples (') Para un elemento dado, un atributo sólo puede tener un valor

17 Elementos y Atributos (y 2) Elemento vacío No tiene elementos anidados ni texto Puede tener atributos Ejemplo: <tag-1 attr-1= val1 attr-2= val2 ></tag-1> Por comodidad, se puede usar la notación <tag-1 attr-1= val1 attr-2= val2 />

18 Elementos vs Atributos (1) Pueden utilizarse múltiples alternativas para representar la misma información En el ejemplo, podríamos haber usado elementos para especificar el título de la película, su duración y la fecha de estreno <movie> <title>amelie</title> <runtime>120</runtime> <releaseday>19</releaseday> <releasemonth>10</releasemonth> <releaseyear>2001</releaseyear> <director name="jean-pierre Jeunet"/> <actor name="audrey Tautou"/> <actor name="mathieu Kassovitz"/>... </movie>

19 Elementos vs Atributos (y 2) Normalmente se sigue la siguiente convención Usar elementos para datos multivaluados o de gran cantidad de texto Usar atributos en caso contrario El ejemplo presentado sigue esta convención Cualquiera de las alternativas (u otra distinta y correcta) es válida

20 Referencias a Entidades Predefinidas Para poder incluir ciertos caracteres en el valor de un atributo o en el texto de un elemento, es preciso emplear referencias a entidades Referencia Carácter < < & & > > " " &apos; ' Ejemplo <tag char= " >Si A < B, entonces... </tag>

21 Secciones CDATA Si el texto se escribe con un editor de texto y contiene muchos caracteres especiales, es más cómodo usar una sección CDATA El contenido no se interpreta Puede incluir cualquier tipo de caracteres, excepto el cierre de la sección (]]>) <tag>este es un trozo del ejemplo: <![CDATA[ <movie> <identifier>3</identifier> <title>la Maldición del Escorpión de Jade</title> <runtime>103</runtime> <releasedate day="19" month="10" year="2001"/> <director>woody Allen</director> ]]></tag>

22 Espacio de Nombres (1) Un documento XML puede hacer uso de espacios de nombres Concepto similar al de paquete Java Permiten evitar conflictos de nombres cuando en un documento XML se usan elementos y atributos de distintas aplicaciones XML Cada espacio de nombres está asociado a una URI, que debe ser única NOTA: Una URI es un identificador de un recurso, y típicamente es una URL o el nombre de un fichero Se aconseja usar URLs (porque es una forma fácil de elegir nombres únicos) No tienen porque tener una existencia real (y de hecho, no suelen tenerla)

23 Espacio de Nombres (2) Ejemplo. Supongamos que Existe una aplicación XML que modela información temporal Utiliza el espacio de nombres Dispone del elemento date con atributos day, month y year El sitio Web especializado en cine decide reutilizar este elemento para especificar las fechas de estreno de las películas El ejemplo es un tanto forzado dado que sólo se reutiliza un elemento (date) El sitio Web especializado en cine decide que sus elementos pertenezcan al espacio de nombres (buena práctica)

24 Espacio de Nombres (3) <?xml version="1.0" encoding="utf-8"?> <movies xmlns=" xmlns:time=" <!-- La Maldición del Escorpión de Jade. --> <movie> <identifier>3</identifier> <title>la Maldición del Escorpión de Jade</title> <runtime>103</runtime> <time:date day="19" month="10" year="2001"/> <director>woody Allen</director> <actor>woody Allen</actor>... </movie>... </movies>

25 Espacio de Nombres (y 4) <movies xmlns=" xmlns:time=" xmlns=" Espacio de nombres por defecto: todos los elementos contenidos dentro del elemento movies que no empiecen por XXX:, y el propio elemento movies, pertenecen al espacio de nombres xmlns:time=" Todos los elementos y atributos contenidos dentro del elemento movies que empiezan por time: pertenecen al espacio de nombres time actúa sólo como un alias de la URI del espacio de nombres, es decir, el identificador del espacio de nombres no es time, sino la URI Conceptualmente se están importando dos esquemas, uno para modelar información sobre películas y otro para modelar información temporal

26 Validación de Documentos XML (1) Existen varios tipos de mecanismos (esquemas) para expresar los elementos y atributos válidos de una aplicación XML y sus restricciones Los dos tipos de esquemas más usados son DTD (Document Type Definition) Sencillo Semánticamente pobre Esquema XML (XML Schema) Complejo Semánticamente muy rico Un esquema XML es a su vez un documento XML Tanto las DTDs como los Esquemas XML están estandarizados por el W3C Un documento XML que cumple las restricciones de un esquema (DTD, esquema XML, etc.) se dice que es válido

27 Validación de Documentos XML (y 2) Existen varios mecanismos para que un documento XML pueda indicar la ubicación de los esquemas que utiliza Una aplicación que parsee un documento XML Siempre comprueba que esté bien formado Si el documento incluye referencias a los esquemas que utiliza, la aplicación puede utilizar esos esquemas para comprobar que el documento es válido o utilizar una copia local de los esquemas Muchas aplicaciones utilizan copias locales, y así evitan tener que leer los esquemas referenciados (que muchas veces se referencian con URLs) Si el documento no incluye referencias a los esquemas que utiliza, pero utiliza espacios de nombres, la aplicación puede decidir validar el documento (e.g. porque dispone de copias locales de los esquemas asociados a los espacios de nombres)

28 Declaración DOCTYPE Referencias a DTDs <!DOCTYPE movies SYSTEM "../DTDs/Movies.dtd"> Especifica El elemento raíz del documento Todo documento XML debe tener un elemento raíz La URI (nombre de fichero o URL) de la DTD que lo valida Es necesaria para los documentos que deban ser validados con la DTD referenciada

29 Referencias a Esquemas XML (1) Si se desea, un documento XML puede incluir la URI del esquema XML asociado a cada espacio de nombres que disponga de esquema XML <?xml version="1.0" encoding="utf-8"?> <movies xmlns=" xmlns:xsi=" xsi:schemalocation=" <movie> <identifier>3</identifier> <title>la Maldición del Escorpión de Jade</title> <runtime>103</runtime>... </movie>... </movies>

30 Referencias a Esquemas XML (y 2) Las referencias a esquemas XML se especifican con el atributo schemalocation del espacio de nombres Su valor es de la forma ns-1 uri-1... ns-n uri-n uri-i es la URI del esquema XML correspondiente al espacio de nombres ns-i La URI (fichero o URL) tiene que existir En el ejemplo se especifica que el esquema XML asociado al espacio de nombres está disponible en NOTA: obsérvese que no se indica la URI del espacio de nombres porque cualquier parser de XML con soporte para esquemas tiene una copia local de su esquema

31 Análisis de Ficheros XML Cómo se puede parsear un fichero XML? El pequeño conjunto de normas que define XML y la posibilidad de definir reglas para especificar los tags válidos, permiten construir parsers genéricos que son capaces de comprobar que el documento XML está bien formado y es válido Los parsers ya están hechos! Existen parsers para los lenguajes más usuales